論文の概要: Assessing generalisability of deep learning-based polyp detection and
segmentation methods through a computer vision challenge
- arxiv url: http://arxiv.org/abs/2202.12031v1
- Date: Thu, 24 Feb 2022 11:25:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-25 16:26:55.344186
- Title: Assessing generalisability of deep learning-based polyp detection and
segmentation methods through a computer vision challenge
- Title（参考訳）: コンピュータビジョンチャレンジによる深層学習型ポリープ検出法とセグメンテーション法の汎用性評価
- Authors: Sharib Ali, Noha Ghatwary, Debesh Jha, Ece Isik-Polat, Gorkem Polat,
Chen Yang, Wuyang Li, Adrian Galdran, Miguel-\'Angel Gonz\'alez Ballester,
Vajira Thambawita, Steven Hicks, Sahadev Poudel, Sang-Woong Lee, Ziyi Jin,
Tianyuan Gan, ChengHui Yu, JiangPeng Yan, Doyeob Yeo, Hyunseok Lee, Nikhil
Kumar Tomar, Mahmood Haithmi, Amr Ahmed, Michael A. Riegler, Christian Daul,
P{\aa}l Halvorsen, Jens Rittscher, Osama E. Salem, Dominique Lamarque, Renato
Cannizzaro, Stefano Realdon, Thomas de Lange, and James E. East
- Abstract要約: ポリープは大腸内視鏡で同定されたよく知られたがん前駆体である。
大腸ポリープのサーベイランスと除去は、非常に操作性に依存した手順である。
大腸ポリープの欠失検出率と不完全除去率がある。
- 参考スコア（独自算出の注目度）: 11.914243295893984
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Polyps are well-known cancer precursors identified by colonoscopy. However,
variability in their size, location, and surface largely affect identification,
localisation, and characterisation. Moreover, colonoscopic surveillance and
removal of polyps (referred to as polypectomy ) are highly operator-dependent
procedures. There exist a high missed detection rate and incomplete removal of
colonic polyps due to their variable nature, the difficulties to delineate the
abnormality, the high recurrence rates, and the anatomical topography of the
colon. There have been several developments in realising automated methods for
both detection and segmentation of these polyps using machine learning.
However, the major drawback in most of these methods is their ability to
generalise to out-of-sample unseen datasets that come from different centres,
modalities and acquisition systems. To test this hypothesis rigorously we
curated a multi-centre and multi-population dataset acquired from multiple
colonoscopy systems and challenged teams comprising machine learning experts to
develop robust automated detection and segmentation methods as part of our
crowd-sourcing Endoscopic computer vision challenge (EndoCV) 2021. In this
paper, we analyse the detection results of the four top (among seven) teams and
the segmentation results of the five top teams (among 16). Our analyses
demonstrate that the top-ranking teams concentrated on accuracy (i.e., accuracy
> 80% on overall Dice score on different validation sets) over real-time
performance required for clinical applicability. We further dissect the methods
and provide an experiment-based hypothesis that reveals the need for improved
generalisability to tackle diversity present in multi-centre datasets.
- Abstract（参考訳）: ポリープは大腸内視鏡で同定されたよく知られたがん前駆体である。
しかし、その大きさ、位置、表面の変化は、識別、局所化、特徴化に大きく影響する。
さらに,ポリープの大腸内視鏡的観察と除去(ポリープ切除)は,操作性が高い。
大腸ポリープの異常,再発率の低下,大腸の解剖学的特徴から,検出率の低下,大腸ポリープの除去が不十分であった。
機械学習を用いたポリプの検出とセグメンテーションのための自動化手法の実現には、いくつかの進展がある。
しかしながら、これらの手法の大きな欠点は、異なるセンタ、モダリティ、および取得システムから来る、サンプル外の未知のデータセットに一般化する能力である。
この仮説を厳密に検証するために,複数の大腸内視鏡システムから取得した多心多集団データセットを収集し,機械学習の専門家からなる課題チームに対して,クラウドソーシング内視鏡コンピュータビジョンチャレンジ(endocv)2021の一部として,堅牢な自動検出とセグメント化手法の開発を行った。
本稿では,4つのトップチーム(計7チーム)の検出結果と5つのトップチーム(計16チーム)のセグメンテーション結果を分析する。
分析の結果,臨床応用に要するリアルタイムパフォーマンスよりも,上位のチームが精度(つまり,Diceのスコア全体の80%以上)に集中していることが判明した。
さらに,マルチセンタデータセットに存在する多様性に取り組むための汎用性の向上の必要性を明らかにする実験ベースの仮説を提案する。
関連論文リスト
- Frontiers in Intelligent Colonoscopy [96.57251132744446]
本研究は, インテリジェント大腸内視鏡技術のフロンティアと, マルチモーダル医療への応用の可能性について検討する。
大腸内視鏡的シーン知覚のための4つのタスクを通して,現在のデータ中心およびモデル中心のランドスケープを評価した。
今後のマルチモーダル時代を受け入れるために,大規模マルチモーダル・インストラクション・チューニング・データセットColoninST,大腸内視鏡で設計されたマルチモーダル言語モデルColonGPT,マルチモーダル・ベンチマークの3つの基本イニシアティブを構築した。
論文 参考訳（メタデータ） (2024-10-22T17:57:12Z) - Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary
Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。
この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。
PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文 参考訳（メタデータ） (2024-02-16T05:16:20Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - Bayesian uncertainty-weighted loss for improved generalisability on polyp segmentation task [4.624678312108088]
一方の中央から別の中心へのポリープの出現による変動, 内視鏡機器の品位の違い, および取得品質は, 分配試験データに対して良好な性能を示す方法をもたらす。
不公平モデルには深刻な意味があり、臨床応用にとって重要な課題となっている。
トレーニング中にベイズ予測の不確実性を生かした暗黙バイアス緩和手法を適用し, モデルが過小評価されたサンプル領域に集中するよう促す。
論文 参考訳（メタデータ） (2023-09-13T08:54:22Z) - Interpretability-guided Data Augmentation for Robust Segmentation in
Multi-centre Colonoscopy Data [0.4915744683251151]
本稿では,解釈可能性のサリエンシマップを中心にした,革新的なデータ拡張手法を提案する。
提案手法は,異なるセグメンテーションモデルとドメイン間のロバスト性の向上を実証する。
論文 参考訳（メタデータ） (2023-08-30T09:03:28Z) - Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。
本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
論文 参考訳（メタデータ） (2023-07-30T16:08:45Z) - Unsupervised deep learning techniques for powdery mildew recognition
based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。
マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。
本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文 参考訳（メタデータ） (2021-12-20T13:29:13Z) - A multi-centre polyp detection and segmentation dataset for
generalisability assessment [1.5661270644639687]
このデータセットは、3762個のアノテートされたポリプラベルを持つ単一フレームとシーケンスデータの両方を含む。
本論文は,データ構築とアノテーション戦略,品質保証,技術検証に関する知見を提供する。
論文 参考訳（メタデータ） (2021-06-08T15:48:17Z) - Deep learning for detection and segmentation of artefact and disease
instances in gastrointestinal endoscopy [7.840459682652335]
Endoscopy Computer Vision Challenge (EndoCV) は、信頼性の高いコンピュータ支援型診断・診断内視鏡システムの開発における卓越した問題を解決するためのクラウドソーシングイニシアチブである。
1)視覚的解釈を妨げる多階級の人工物の存在、2)微妙な前駆体とがんの異常を特定するのが困難である。
EndoCV 2020の課題は、これらのミッションにおける研究上の問題に対処するために設計されている。
論文 参考訳（メタデータ） (2020-10-12T21:22:37Z) - PraNet: Parallel Reverse Attention Network for Polyp Segmentation [155.93344756264824]
大腸内視鏡画像の高精度なポリープ分割のための並列リバースアテンションネットワーク(PraNet)を提案する。
並列部分復号器(PPD)を用いて,まず高層層に特徴を集約する。
さらに,エリアとバウンダリの関連性を確立するために,リバースアテンション(RA)モジュールを用いて境界キューをマイニングする。
論文 参考訳（メタデータ） (2020-06-13T08:13:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。